构建ClinVar SNV数据集与序列对
准备用于零样本评分的参考序列和变异序列。
从ClinVar下载VCF,筛选胚系单核苷酸变异,按临床意义分为良性、致病性和意义不明;从GRCh38/hg38提取以SNV为中心的序列,生成参考等位基因和ClinVar等位基因配对序列。
Benchmarking DNA foundation models for zero-shot variant effect prediction shows the importance of context, training, and architecture
本研究为计算基准测试,仅对预训练模型进行零样本推理,未包含湿实验功能或机制验证。
NT系列模型(多物种/1000G/人类参考训练) DNABERT HyenaDNA(HYENA_1、HYENA_32) Evo 2(evo2_7b_base)
ClinVar SNV数据集:良性156060、致病性65865、意义不明108386,共约320000个SNV 输入序列长度:NT模型6 Kb(1000 tokens),DNABERT 512 bp,HYENA_1 1025 bp/1000 bp,HYENA_32 6000 bp,Evo2_7B 8000 tokens 零样本评分:嵌入空间Cosine Similarity、Manhattan、Euclidean;概率空间Hellinger、Jensen-Shannon、Cross-Entropy CCS-N:中心token及N个最近邻token的零样本分数之和,N范围1–10 统计:归一化Wilcoxon U-statistic,使用R wilcox.test
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
准备用于零样本评分的参考序列和变异序列。
从ClinVar下载VCF,筛选胚系单核苷酸变异,按临床意义分为良性、致病性和意义不明;从GRCh38/hg38提取以SNV为中心的序列,生成参考等位基因和ClinVar等位基因配对序列。
量化变异对序列嵌入和概率分布的影响。
将配对序列输入各DNA基础模型,提取最后一层嵌入和logits(经softmax转为概率);计算嵌入空间的Cosine Similarity、Manhattan、Euclidean距离,概率空间的Hellinger、Jensen-Shannon、Cross-Entropy;计算CCS-N。
评估模型区分不同功能影响变异类别及致病/良性变异的能力。
使用归一化Wilcoxon U-statistic比较八类遗传变异之间以及同一功能类别内致病与良性变异的零样本评分分布。
检验模型是否捕获编码区与非编码区的功能结构。
基于GENCODE Release 47注释,将输入序列token分为编码区(外显子)和非编码区(内含子/基因间区),计算每变异编码vs非编码token零样本评分的Wilcoxon U-statistic。
按研究目的归类文中使用的方法,便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 模型推理 | Nvidia A100 GPU Tensor Core | Nvidia | 40 GB |
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| ClinVar SNV数据集构建 | SNV数量(良性156060、致病性65865、意义不明108386)、筛选标准(CLNVC=single_nucleotide_variant;ORIGIN=1;排除conflicting_interpretations等) 阅读提示:Methods中CLINVAR小节 |
| 输入序列长度与token化 | 各模型序列长度(NT 6 Kb/1000 tokens,DNABERT 512 bp,HYENA_1 1025 bp,HYENA_32 6000 bp,Evo2_7B 8000 tokens)及k-mer设置(NT/DNABERT为6-mer,HyenaDNA/Evo2为单核苷酸) 阅读提示:Methods中DNA foundation models小节、CLINVAR小节及Table 1 |
| 零样本评分与CCS-N计算 | 嵌入空间和概率空间的六种距离度量;CCS-N公式及N范围1–10 阅读提示:Methods中Inference and Zero-shot scores小节 |
| 统计分析与归一化 | Wilcoxon U-statistic使用R wilcox.test;归一化除以n1×n2 阅读提示:Methods中U Statistic calculation小节 |
| 基因组功能注释 | GENCODE Release 47 for GRCh38注释;编码区(外显子)与非编码区(内含子/基因间区)划分 阅读提示:Methods中U Statistic calculation小节 |